过去消费性市场的产品生产型态是少样多量，由於产品的样式不多，加上大量且长时间生产，不但可以让制造系统每一环节都针对单一产品调整，让产能最大化，也可以让品质稳定在一定程度，在此状况下，产品的质量俱隹。不过近年来市场的消费者行为改变，多样化成为市场的主流竞争模式，由於整体消费量不变，产品样式一多，每一样的单一需求量势必就会减少，因此少量多样化成为现在的制造模式。

凌华科技产品经理陈帅名指出，在AI技术的导入下，产线检测的效能将可进一步提升。

少样多量可以将制程长期设定为单一生产模式，少量多样则必须频频更动产线，这也让制程中的检测环节带来挑战，过去由於产量大，产线都以调制最隹化，因此良率也非常高，检测作业只要在制程的最後一环检测少样种类的产品即可，无论是设备或人员，需要具备的技能种类都不多。现在的产品种类一多，非但良率提升困难，而且对设备与人员来说，要精确检测众多种类的产品，人员技能与设备功能都要同步提升。

对此状况，凌华科技产品经理陈帅名指出，近年来因应工业4.0兴起的智慧化趋势，不但可解决现在制造业者的问题，同时在AI技术的导入下，产线的效能将可进一步提升。

目前会应用在产线上的AI演算法主要是机器学习(Machine Learning)与其分支出来的深度学习(Deep Learning)，这机器学习演算法解决了制造系统过去需要长期训练的问题，过去制造系统必须先在内部建立大量资料库，让前端的检视设备可依资料库的样本判别产品良??，不过一来要庞大样本数建立有难度，二来新品不断出现，产线工程师必须也必须不断调整前端设备的识别设定，对整体产线来说，都不是最隹做法。

机器学习则是让机器可以学习演进，根据一次又一次的设定，建立不良品的筛选逻辑，之後系统就会依此逻辑自我进化，之後有未曾出现的瑕疵，就会以过去建立的逻辑判断是否为不良品，让辨识能力持续接近最隹化。

机器学习演算法并非始於今日，在1950年代那一波AI热潮中就被提出，不过当时硬体效能有限，因此并没有能力被落实应用。後来半导体技术快速成长，摩尔定律不断提升系统的运算能力，如今机器学习在IT系统上运作已不是问题，而产线检测就是目前的应用环节之一。在具有机器学习演算法能力的生产系统中，只要建立少数样本的资料库，系统就会开始自主学习判别，将智慧制造愿景落实在产品检测端。